Navegando la Fiebre del Oro de la IA: Descubriendo los Costos Ocultos de la Deuda Técnica en las Empresas

En el último año, la inteligencia artificial ha capturado la atención de los líderes empresariales, lo que los ha llevado a acelerar sus inversiones en empresas de IA o a agilizar la introducción de sus propios productos para ponerse al día. Sin embargo, en la prisa por unirse a esta nueva era de avance tecnológico, las organizaciones que son nuevas en la IA pueden no estar considerando un factor importante que debería estar en la mente cuando se invierte o se crean nuevos productos de IA: la deuda técnica.

Aunque la idea de la deuda técnica no es nueva, la tecnología de IA conlleva un tipo diferente de deuda técnica en comparación con los servicios de software regulares. Y a medida que la IA continúa mejorando rápidamente, está causando que este problema importante crezca junto con ella.

¿Qué es la Deuda Técnica?

La deuda técnica, en su definición más simple, es la acumulación de código de mala calidad durante la creación de un software. Esto suele deberse a una línea de tiempo de lanzamiento al mercado acelerada para satisfacer las necesidades comerciales, o para sacar algo allí para obtener retroalimentación del cliente más rápido. Al considerar la deuda técnica, es importante centrarse en el aspecto deliberado de ella, ya que los responsables de la toma de decisiones suelen ser conscientes de los riesgos con el software y los impactos de tomar atajos para ganar velocidad. La emergencia de la IA ha traído un desafío diferente y único cuando se trata de deuda técnica, y con ella, riesgos y repercusiones significativos que podrían resultar.

A medida que los sistemas de IA comienzan a envejecer y sus datos de entrenamiento se vuelven inexactos y obsoletos, el costo de invertir en la IA ahora supera el tiempo y la inversión necesarios para mantener datos de entrenamiento de alta calidad, también conocidos como higiene de datos.

Exploraremos cómo se acumula la deuda técnica, el impacto que tiene en la línea de fondo y cómo las organizaciones pueden remediarla.

¿Cómo Adquieren las Organizaciones la Deuda Técnica?

 Hay dos formas en que el software puede acumular deuda técnica. Una es a través de código malo plano. Las organizaciones pueden comprar productos o heredarlos a través de la actividad de fusiones y adquisiciones, solo para descubrir más tarde problemas de calidad además de tasas de cambio y innovación lentas. La otra es cuando los líderes eligen deliberadamente asumir deuda técnica.

Cuando se trata de la IA, justo sobre 72% de los líderes quieren adoptar la IA para mejorar la productividad de los empleados, sin embargo, la principal preocupación sobre la implementación de la IA es la calidad y el control de los datos. Parece contraproducente que una organización utilice un producto promocionado para aumentar la productividad, mientras simultáneamente distrae el tiempo de la labor vital para abordar todos los problemas de calidad causados por la deuda técnica que pueden poner en peligro la productividad. Pero la promesa del pago eventual por la mayor productividad supera estos obstáculos en el futuro inmediato, que eventualmente regresará para acosar al software a largo plazo.

Deriva de Modelo: Un Nuevo Tipo de Deuda Técnica

Con la emergencia de mayores inversiones en la IA, las organizaciones han acelerado las estrategias de lanzamiento al mercado para aprovechar la mina de oro de la IA generativa. Si bien esto puede funcionar como un impulsor de ingresos a corto plazo, las organizaciones están pasando por alto lo que podría ser una gran cantidad de deuda técnica en el camino, conocida como deriva de modelo.

La deriva de modelo ocurre cuando el rendimiento de un sistema de IA comienza a disminuir y las salidas se vuelven menos precisas a medida que los datos de entrenamiento envejecen. Al mirar el ciclo de vida de la IA, es obvio que los datos de entrenamiento necesitarán ser mantenidos y actualizados continuamente para garantizar que las respuestas que proporciona la máquina sean lo más precisas posible, este es el punto en el que comienza el problema. Cuando se apresuran a sacar soluciones, los responsables de la toma de decisiones a menudo despriorizan cuestiones como la obtención de datos de entrenamiento adicionales, el mantenimiento de la higiene de los datos del sistema y la garantía de que haya una fuerza laboral que tenga suficientes personas para respaldar estas tareas.

A medida que los datos de entrenamiento continúan envejeciendo y se amplían las brechas entre la realidad y las salidas, las organizaciones se quedarán con costos y tiempo aumentados para abordar estos lapsos que podrían haberse evitado con procedimientos y protocolos de planificación adecuados. En resumen: saltarse el siguiente paso al planificar una estrategia de lanzamiento al mercado puede permitir una entrega más rápida, pero no vale la inevitable caída que costará de varias maneras a largo plazo.

Impacto de la Deuda Técnica en la Línea de Fondo

La deuda técnica también puede impactar profundamente las eficiencias organizacionales, por ejemplo, considere los equipos de ventas. Cuando la deuda técnica comienza a acumularse y la tasa de cambio se desacelera, se vuelve cada vez más difícil para los representantes de ventas atraer a los clientes, lo que ralentiza las tasas de cierre y, en última instancia, los flujos de ingresos como resultado.

Más allá de las ventas, la deuda técnica también impacta enormemente a los equipos de desarrolladores. No solo requerirá más tiempo centrado en la actualización del código, la atención desviada efectivamente relega la innovación a un segundo plano. Al cambiar la atención y el tiempo al mantenimiento, la hoja de ruta del producto se retrasa o se abandona, creando un efecto dominó que podría resultar en la desconfianza entre el lado de ingeniería y el lado comercial del negocio. Sin una hoja de ruta del producto para seguir, los equipos de ventas se quedan con promesas rotas o nada que mostrar a los prospectos, lo que nuevamente impacta enormemente los ingresos.

¿Cómo Abordar la Deuda Técnica

A medida que disminuye la previsibilidad de la entrega, las organizaciones comenzarán a ver el colapso de las eficiencias organizacionales, lo que llevará a conversaciones sobre cómo abordar los desafíos en cuestión. Hay dos formas en que los responsables de la toma de decisiones pueden utilizar para combatir la deuda técnica. La primera es tirar la plataforma y el código por completo y replataformar, o incrustar pequeños cambios incrementales, similares a limpiar lentamente un dormitorio un artículo a la vez, para eventualmente poner los sistemas al día.

El primer método, la replataformización, requiere una revisión completa de los sistemas y es un riesgo enorme y costoso que asumir. Similar a un proceso de construcción a gran escala, cualquier retraso en la programación puede desviar los plazos de entrega del producto y podría hacer que todo el esfuerzo fracase. Sin embargo, este método puede funcionar a veces. Por ejemplo, LinkedIn – después de su IPO en 2011, la empresa replataformó el sitio y ahora es un gran jugador en el mercado.

La apuesta más segura, hacer pequeños cambios que eventualmente sumarán mejoras importantes, es otro caso de uso para argumentar. Con los desarrolladores interactuando con los datos a diario, entrar para hacer ajustes aquí y allá puede dar forma a los sistemas para librarse de su deuda técnica. También beneficia las habilidades de los desarrolladores, ya que requiere que estén al día con los últimos estándares de código y tecnología, lo que a su vez prepara a la organización para el éxito técnico, ya que tienen menos brechas de habilidades. Implementar una iniciativa impulsada por ingenieros, donde se les asigna el 20% de su tiempo para programar actualizaciones de productos, es una excelente manera de comenzar. Si bien este proceso es mucho más lento que la replataformización, es menos riesgoso y aún produce valor para el modelo de negocio.

Dejar Atrás la Deuda Técnica en la Era de la IA

A medida que el espacio de la IA continúa desarrollándose rápidamente, seguiremos viendo más soluciones que surgen con ganancias de productividad y eficiencias organizacionales. Si bien esto es cierto, los responsables de la toma de decisiones deben priorizar la incorporación de técnicas como el mantenimiento continuo de los datos y pensar en la imagen grande cuando se trata del ciclo de vida de su solución. Invertir en la IA no tiene que ser costoso y abrumador, y con unos pequeños cambios en la planificación y la estrategia de lanzamiento al mercado, se puede evitar la próxima acumulación de deuda técnica.